AWS
活动+
 

MIT机器学习系统可从对话用语预测精神异常风险

病患对话用语模式的细微变化医师难以察觉,将错失及早发现精神失常前兆的机会。美国精神医学协会

美国埃默里大学与哈佛大学的研究团队发现,日常对话用语的细微变化可用于衡量一个人未来出现精神异常的机会,研究团队开发的机器学习(machine learning)系统准确率达93%,有助于发掘更多心理疾病的相关信息,还能对人类心智运行与形成想法的方式有更深入了解。

根据Medical News Today报导,研究显示认知行为(cognitive-behavioral)等治疗方式,可延缓精神失常发作甚而降低发生机率,若能及早发现有精神失常倾向的人,将可采取预防性措施,或有机会逆转未来的发展。科学家正尝试各种方法提升预测的精准率,并让诊断程序更直接与正确。

美国国立卫生研究院(NIH)辖下国家心理卫生研究所(NIMH)的资料显示,约3%的美国人一生中曾经历精神失常,警讯包含医师称为前驱症候群的各种症状,通常出现在青少年阶段中、后期,25~30%的人最终会发展成精神分裂等精神疾病,训练有素的医师透过面谈与检验方式进行预测的准确性约达80%。

2019年6月13日埃默里大学与哈佛大学研究团队的开发与测试报告发表于npj Schizophrenia期刊,这项观念验证研究显示以机器学习算法分析日常对话用语潜藏的细微模式变化,可建立预测未来心理健康的衡量指标。研究团队正在扩大收集更多资料,并计画将其机器学习系统应用于痴呆症等其它跟脑部与精神病相关的疾病。

虽然早期的研究已确立个人未来出现精神异常的细微征候存在于其日常对话用语中,但直到埃默里大学与哈佛大学研究团队运用机器学习技术,衡量语意密度(semantic density)以及跟声响(sound)相关的用语后,才真正揭露隐藏在这两个语言变量的细节,可提供精神失常的细微征兆以利早期发现与警示。

精神失常患者在精神错乱发作时,其心智状态可能会让他们经历感知与思想混乱,难以分辨真实与虚幻,妄想与幻觉为常见的症状,因此会出现不适当的行为或语无伦次,此外也可能出现焦虑、沮丧、睡眠中断、孤僻内向等情况。不过期待训练有素的医师能从与病患的对话中听出用语模式的细微变化,就如同想用肉眼观察细菌。

先前的研究将对话分析局限于衡量语意连贯性(semantic coherence),亦即审视人们如何跨语句运用单字。埃默里大学与哈佛大学研究团队运用Word2Vec软件分析对话中的个别单字,可将意义类似的单字对应至语意空间(semantic space)内邻近的位置,而意义差别极大的单字则远远隔开,此外并新增一个额外的程序拓展系统分析语意的能力。

语意密度可提供更深入的信息,以及评估人们如何组合单字成为语句,这能对人们组成语句的思考程序提供更好的指标,例如低语意密度代表对话内容贫乏或含糊,连同对话中高频率使用着重语音(voice)与声响的单字都是精神失常的前兆。埃默里大学与哈佛大学研究团队的机器学习系统在预测个人日后确诊罹患精神异常的准确率可达93%。

机器学习技术让计算机从经验中学习而非倚赖预先编程,从已知的资料集(data set)中寻找模式及其所对应的特征,完成学习程序后便能不断从新的资料集中辨识这些特征。埃默里大学与哈佛大学研究团队将Reddit网站上30,000名使用者的在线对话输入其机器学习系统,训练系统建立正常基线(normal baseline)。

接著将参与北美前驱症状纵观研究(North American Prodrome Longitudinal Study;NAPLS)的40个人的诊断面谈对话输入机器学习系统,并将分析结果跟基线与NAPLS的诊断进行比对,结果显示这40个人当中,后来确实发展成精神失常的人使用与声响相关单字的次数高于基线,此外也更常使用意义相近的单字。

Reddit网站是提供在线新闻、内容评价、论坛的平台,注册使用者可参与各种主题的对话。NAPLS是在多个机构实施的14年计画,希望在诊断青少年未来是否会发展成精神失常方面,能掌握其成因并改善医师的预测能力。

  •     按赞加入DIGITIMES智能医疗粉丝团
更多关键字报导: 麻省理工学院 预防医学